Google เปิดตัว R4T: Diffusion Retriever เร่งการค้นหาเร็วขึ้น 20 เท่าtag: Diffusion Model, Google Research, Information Retrieval, Reinforcement Learning, Retrieve-for-TrainSep 17, 2026 · By: AttapolKGoogle Research พัฒนาเฟรมเวิร์ก Retrieve-for-Train (R4T) ที่ใช้ RL ฝึกโมเดล Diffusion ขนาด 53.9 ล้านพารามิเตอร์ ให้สามารถสร้างผลลัพธ์การค้นหาที่หลากหลายและแม่นยำได้ในการประมวลผลครั้งเดียว เร็วกว่าเดิมสูงสุด 20 เท่า
Retrieve-for-Train: เร่งความเร็วการค้นหาด้วย AI ซับซ้อนได้ 20 เท่าtag: Diffusion Models, Gemma3, Information Retrieval, Qwen3, Reinforcement Learning, Retrieve-for-TrainSep 16, 2026 · By: NatapolKทีมนักวิจัยเสนอเฟรมเวิร์กใหม่ที่ใช้การเรียนรู้แบบเสริมกำลัง (RL) ฝึกฝน AI ให้แตกหัวข้อการค้นหาที่หลากหลายและแม่นยำขึ้น โดยลดภาระการประมวลผลให้ทำงานได้เร็วขึ้นอย่างมหาศาล
H Company เปิดตัว NeoMME โมเดล Single-Tower ประสิทธิภาพสูง ตัด Vision Tower และ Decoder ออกเพื่อความเร็วtag: AI Model, H Company, Information Retrieval, Multimodal, NeoMME, TransformerSep 7, 2026 · By: NatapolKNeoMME เป็นตระกูลโมเดล Multimodal Encoder ขนาด 260M และ 800M ที่ประมวลผลทั้งข้อความและภาพดิบใน Transformer ตัวเดียว ช่วยลดภาระการคำนวณและทำความเร็วการดึงข้อมูลเอกสารภาพได้สูงสุด 51.3 หน้าต่อวินาที
NeoMME: สถาปัตยกรรม Single-Tower Multimodal Encoder แบบใหม่ที่ทั้งเร็วและประหยัดพื้นที่tag: Hcompany, Hugging Face, Information Retrieval, Multimodal AI, NeoMME, Visual RAGSep 4, 2026 · By: SirilukPNeoMME เป็นตระกูลโมเดล Multimodal Encoder รุ่นใหม่ที่ใช้ Transformer เพียงตัวเดียวประมวลผลทั้งภาพและข้อความ ให้ประสิทธิภาพสูงในการค้นหาเอกสารภาพและรองรับหลายภาษา
